
import requests
import geopandas
import pandas as pd
from bs4 import BeautifulSoup
import os
import urllib
import tempfile
from zipfile import ZipFile
import shutil
import os
from fnmatch import fnmatch
import re
import seaborn as sns
import numpy as np
import plotly.offline as py
import plotly.express as px
import plotly.graph_objects as go
import matplotlib.pyplot as plt
from matplotlib.pyplot import cm
import datetime
from sklearn.linear_model import LinearRegression
import warnings
import unicodedata
from pandas.core.common import SettingWithCopyWarning
warnings.simplefilter(action="ignore", category=SettingWithCopyWarning)
pd.set_option('display.max_columns', None)
py.init_notebook_mode()


# Nettoyage des DataFrame de classement 
def clean_ranking(filename): 
    df = pd.read_excel('classement/'+filename, header=[3,4] , index_col=0)
    col_name = (('Rang', ''),('Nat. / Voile', ''),('Skipper / Bateau', ''),('Heure FR', ''),('Latitude', ''),('Longitude', ''),
                ('Depuis 30 minutes', 'Cap'),('Depuis 30 minutes', 'Vitesse / kts'),('Depuis 30 minutes', 'VMG / kts'),
                ('Depuis 30 minutes', 'Distance / nm'),('Depuis le dernier classement', 'Cap'),('Depuis le dernier classement', 'Vitesse / kts'),
                ('Depuis le dernier classement', 'VMG / kts'),('Depuis le dernier classement', 'Distance / nm'),('Depuis 24 heures', 'Cap'),('Depuis 24 heures', 'Vitesse / kts'),
                ('Depuis 24 heures', 'VMG / kts'),('Depuis 24 heures', 'Distance / nm'),('DTF / nm', ''),('DTL / nm', ''))
    df.columns = pd.MultiIndex.from_tuples(col_name)
    df=df.dropna(axis=1, how="all").dropna(axis=0, how="any")
    df.columns = [y[0].split('\n')[0]+y[1].split('\n')[0]
                    if "Unnamed" not in y[1]
                    else y[0].split('\n')[0]
              for y in df.columns.values]
    df['Latitude']=df['Latitude'].apply(lambda x : float(x.split('°')[0]) + float(x.split('°')[1].split("'")[0])/60 
                                       if 'N' in x 
                                       else (-1)*(float(x.split('°')[0]) + float(x.split('°')[1].split("'")[0])/60))
    df['Longitude']=df['Longitude'].apply(lambda x : float(x.split('°')[0]) + float(x.split('°')[1].split("'")[0])/60 
                                       if 'E' in x 
                                       else (-1)*(float(x.split('°')[0]) + float(x.split('°')[1].split("'")[0])/60))
    for i in [3, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19]:
        df.iloc[:, i] = df.iloc[:, i].apply(lambda x: x.split(' ')[0])
        df.iloc[:, i] = df.iloc[:, i].apply(lambda x: x.split('°')[0])
    for i in [0, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19]:
        df.iloc[:, i] = pd.to_numeric(df.iloc[:, i])
    df['Skipper'] = df['Skipper / Bateau'].apply(lambda x : x[:x.find('\n')].capitalize())
    df['Bateau'] = df['Skipper / Bateau'].apply(lambda x : x[x.find('\n')+1 : ].capitalize())
    df["Nat"]=df['Nat. / Voile'].map(lambda x: x[x.find(' ')-3:x.find(' ')])
    df["Voile"]=df['Nat. / Voile'].map(lambda x: int(x[1+x.find(' '):]))
    df=df.drop(columns=['Nat. / Voile',"Skipper / Bateau"])
    date = filename.split('/')[-1].split('_')[1]
    df['date'] = f'{date[0:4]}-{date[4:6]}-{date[6:]}'
    df['Full_Date'] = pd.to_datetime(df['date'] + ' ' + df['Heure FR'])
    df = df.sort_values('Full_Date')
    df['Skipper'] = df['Skipper'].apply(lambda x : unicodedata.normalize('NFD', x).encode('ascii', 'ignore').decode("utf-8"))
    df['Bateau'] = df['Bateau'].apply(lambda x : unicodedata.normalize('NFD', x).encode('ascii', 'ignore').decode("utf-8"))
    return df


df_test = clean_ranking('vendeeglobe_20201109_140000.xlsx')


df_test.head()


df_rankings = pd.DataFrame()
for x in os.listdir('classement') :
    # on recupere que les données jusqu'au 27/01 qui est la date de l'arrivée du premier Skipper
    if x < 'vendeeglobe_20210127_140000.xlsx':
        df_rankings = df_rankings.append(clean_ranking(x))


df_rankings.head()


# Extraction des fichies techniques des bateaux 
res = requests.get("https://www.vendeeglobe.org/fr/glossaire")
soup = BeautifulSoup(res.content,'html.parser')
fichier_tech = soup.find_all('div', class_ = "sv-u-1 sv-u-s-1-2 sv-u-m-1-3 sv-u-l-1-6")
df_tech = pd.DataFrame(columns= ['Numéro de voile','Anciens noms du bateau','Architecte','Chantier','Date de lancement',
                            'Longueur','Largeur',"Tirant d'eau",'Déplacement (poids)','Nombre de dérives',
                            'Hauteur mât','Voile quille','Surface de voiles au près','Surface de voiles au portant'])
for t in fichier_tech:        
    skipper = t.find('span', class_='boats-list__skipper-name').text        
    boat = t.find('h3', class_='boats-list__boat-name').text
    boat_info = t.find('ul', class_='boats-list__popup-specs-list').text.strip().split('\n')
    boat_info_dict = {boat_info[i].split(' : ')[0] : boat_info[i].split(' : ')[1] for i in range(len(boat_info))}
    boat_info_dict['Skipper']=skipper.capitalize()
    boat_info_dict['Bateau']=boat.capitalize()
    df_tech = df_tech.append(boat_info_dict, ignore_index=True)


# Nettoyage du DataFrame correspondant à la fiche technique de chaque bateau 
df_tech['Longueur']=df_tech['Longueur'].map(lambda x: float(x[: x.find(' ')].replace(',','.')))
df_tech['Largeur']=df_tech['Largeur'].map(lambda x: float(x[: x.find(' ')].replace(',','.')))
df_tech["Tirant d'eau"]=df_tech["Tirant d'eau"].map(lambda x: float(x[: x.find(' ')].replace(',','.')))    
df_tech['Déplacement (poids)']=df_tech['Déplacement (poids)'].map(lambda x: float(x[: x.find(' ')].replace(',','.')) if x!='NC' and x!='nc' else np.nan)
df_tech['Hauteur mât']=df_tech['Hauteur mât'].map(lambda x: float(x[: x.find(' ')].replace(',','.')))
df_tech['Surface de voiles au près']=df_tech['Surface de voiles au près'].map(lambda x: float(x[: x.find(' ')].replace(',','.')))
df_tech['Surface de voiles au portant']=df_tech['Surface de voiles au portant'].map(lambda x: float(x[: x.find(' ')].replace(',','.')))
df_tech['Foil']=df_tech['Nombre de dérives'].apply(lambda x: 1 if x in ['foils', 'foiler'] else 0).astype(int)
df_tech['Skipper'] = df_tech['Skipper'].apply(lambda x : unicodedata.normalize('NFD', x).encode('ascii', 'ignore').decode("utf-8").replace("  "," "))
df_tech['Bateau'] = df_tech['Bateau'].apply(lambda x : unicodedata.normalize('NFD', x).encode('ascii', 'ignore').decode("utf-8"))
df_tech['Skipper'] = df_tech['Skipper'].replace("Sam davies","Samantha davies" )
for i in ['Longueur', 'Largeur', "Tirant d'eau",
       'Déplacement (poids)',  'Hauteur mât', 'Surface de voiles au près',
       'Surface de voiles au portant', 'Foil']:
        df_tech.loc[:, i] = pd.to_numeric(df_tech.loc[:, i])


df_tech.head()


# DataFrame du dernier fichier excel avec le rang d'arrivée de tous les Skippers
df_final_ranking = pd.read_excel("classement/vendeeglobe_20210305_080000.xlsx", header=[3,4],nrows=30)
df_final_ranking = df_final_ranking.dropna(axis=1, how="all")
df_final_ranking.columns = [y[0].split('\n')[0]+" "+y[1].split('\n')[0]
                    if "Unnamed" not in y[1]
                    else y[0].split('\n')[0]
              for y in df_final_ranking.columns.values]
df_final_ranking = df_final_ranking[df_final_ranking["Rang"] != "RET"]
df_final_ranking["Rang_arrivée"] = df_final_ranking["Rang"].apply(lambda x: x.split()[0] if x.split()[0] else np.nan).astype(int)
df_final_ranking[["Skipper", "Bateau"]] = df_final_ranking["Skipper / Bateau"].str.split("\n", expand=True)
df_final_ranking['Skipper'] = df_final_ranking['Skipper'].apply(lambda x : unicodedata.normalize('NFD', x).encode('ascii', 'ignore').decode("utf-8").capitalize())
df_final_ranking['Bateau'] = df_final_ranking['Bateau'].apply(lambda x : unicodedata.normalize('NFD', x).encode('ascii', 'ignore').decode("utf-8").capitalize())
df_final_ranking = df_final_ranking.drop(["Nat. / Voile", "Skipper / Bateau", "Rang"],axis=1)
num_cols = ["Sur l'ortho Vitesse", "Sur l'ortho Distance", "Sur le fond Vitesse", "Sur le fond Distance"]
for col in num_cols:
    df_final_ranking[col] = df_final_ranking[col].apply(lambda x : x.split(' ')[0])    
df_final_ranking[num_cols] = df_final_ranking[num_cols].apply(pd.to_numeric)
df_final_ranking.head()


"""DataFrame final : merge le dataframe des classments avec les infos techniques sur le bateau et les informations
    concernant l'arrivée du SKipper """
df_all = df_rankings.merge(df_tech, how = 'left', on =['Skipper'])
df_all = df_all.merge(df_final_ranking, how ='left' , on =['Skipper'])
df_all.head()


di = [dict(label = 'All',
                      method = 'update',
                      args = [{'visible': [True*33] }, # the index of True aligns with the indices of plot traces
                              {'title': 'All',
                               'showlegend':True}])]
skippers = list(set(df_rankings['Skipper']))
for z in skippers : 
    k = [False]*33
    k[skippers.index(z)] = True
    di.append(dict(label = z ,
                    method = 'update',
                    args = [{'visible': k }, # the index of True aligns with the indices of plot traces
                              {'title': z,
                               'showlegend':True}]))
fig = go.Figure()
for z in df_rankings.Skipper.unique():
    data = df_rankings[df_rankings['Skipper'] == z]
    data = data.sort_values(by=['Full_Date'])
    fig.add_trace(go.Scatter(x = data.Full_Date ,
                             y = data.Rang ,mode = 'lines+markers' , name = z ))

fig.update_layout(width=1000,
    height=500,
    updatemenus=[go.layout.Updatemenu(
        active=0,
        buttons=list(di)
        )])

fig.update_layout(title_text="Évolution du Rang")


di = [dict(label = 'All',
                      method = 'update',
                      args = [{'visible': [True*33] }, # the index of True aligns with the indices of plot traces
                              {'title': 'All',
                               'showlegend':True}])]
skippers = list(set(df_rankings['Skipper']))
for z in skippers : 
    k = [False]*33
    k[skippers.index(z)] = True
    di.append(dict(label = z ,
                    method = 'update',
                    args = [{'visible': k }, # the index of True aligns with the indices of plot traces
                              {'title': z,
                               'showlegend':True}]))
fig = go.Figure()
for z in df_rankings.Skipper.unique():
    data = df_rankings[df_rankings['Skipper'] == z]
    data = data.sort_values(by=['Full_Date'])
    fig.add_trace(go.Scatter(x = data.Full_Date ,
                             y = data["Depuis le dernier classementVitesse / kts"] ,mode = 'lines' , name = z ))

fig.update_layout(width=1000,
    height=500,
    updatemenus=[go.layout.Updatemenu(
        active=0,
        buttons=list(di)
        )])

fig.update_layout(title_text="Évolution de la vitesse moyenne pour chaque skipper")


head_skippers = df_final_ranking['Skipper'][:5]


di = [dict(label = 'All',
                      method = 'update',
                      args = [{'visible': [True*33] }, # the index of True aligns with the indices of plot traces
                              {'title': 'All',
                               'showlegend':True}])]
skippers = list(head_skippers)
for z in head_skippers : 
    k = [False]*5
    k[skippers.index(z)] = True
    di.append(dict(label = z ,
                    method = 'update',
                    args = [{'visible': k }, # the index of True aligns with the indices of plot traces
                              {'title': z,
                               'showlegend':True}]))
fig = go.Figure()
for z in skippers:
    z = z.capitalize()
    data = df_rankings[df_rankings['Skipper'] == z]
    data = data.sort_values(by=['Full_Date'])
    fig.add_trace(go.Scatter(x = data.Full_Date ,
                             y = data["Depuis le dernier classementVitesse / kts"] ,mode = 'lines' , name = z ))

fig.update_layout(width=1000,
    height=500,
    updatemenus=[go.layout.Updatemenu(
        active=0,
        buttons=list(di)
        )])

fig.update_layout(title_text="Nombre de courses ASAP par région")


fig, ax = plt.subplots(figsize=(20,10))
geopandas.read_file(geopandas.datasets.get_path('naturalearth_lowres')).plot(ax=ax)
gdf = geopandas.GeoDataFrame(
    df_rankings, geometry=geopandas.points_from_xy(df_rankings.Longitude, df_rankings.Latitude))
gdf.plot(column = 'Skipper', ax=ax, alpha=0.25, cmap= 'Paired', legend = True)
plt.title('Trajet des top5 skippers')
plt.show()


fig, ax = plt.subplots(figsize=(20,10))
geopandas.read_file(geopandas.datasets.get_path('naturalearth_lowres')).plot(ax=ax)
temp = df_rankings.loc[(df_rankings['Skipper'].isin(head_skippers))]
gdf = geopandas.GeoDataFrame(
    temp, geometry=geopandas.points_from_xy(temp.Longitude, temp.Latitude))
gdf.plot(column = 'Skipper', ax=ax, alpha=0.25, cmap= 'tab20b', legend = True)
plt.title('Trajet des top5 skippers')
plt.show()


temp = df_rankings[['Skipper', 'Full_Date', 'Depuis le dernier classementDistance / nm']].groupby(['Skipper', 'Full_Date']).agg({'Depuis le dernier classementDistance / nm':'sum'})
plt.figure(figsize=(15,8))
for sk in set(df_rankings['Skipper']):
    plt.plot(temp.loc[sk].index, temp.loc[sk].cumsum(), label = sk)
plt.xlabel('Date')
plt.ylabel('Distance')
plt.title('Distance cumulée parcourue par Skipper')
plt.legend(loc='upper left')
plt.show()


plt.figure(figsize=(15,7))
for head_sk in head_skippers:
    plt.plot(temp.loc[head_sk].index, temp.loc[head_sk].cumsum(), label = head_sk)
plt.xlabel('Date')
plt.ylabel('Distance')
plt.title('Distance cumulée parcourue par Skipper')
plt.legend(loc='upper left')
plt.show()


df_all.groupby(['Skipper'])['Rang'].mean().sort_values().to_frame("Rang moyen").reset_index().merge(df_final_ranking[['Skipper','Rang_arrivée']], how='left', on = 'Skipper').head()


df_all.groupby(["Skipper","Rang_arrivée"])["Depuis le dernier classementVMG / kts"].mean().sort_values(ascending=False).to_frame().head()


df_all.groupby(["Skipper","Rang_arrivée"])["Depuis le dernier classementVitesse / kts"].mean().sort_values(ascending=False).to_frame().head()


sns.pairplot(df_all[['Depuis le dernier classementVitesse / kts', 'Depuis le dernier classementVMG / kts', 'Rang', "Depuis le dernier classementDistance / nm"]])

<seaborn.axisgrid.PairGrid at 0x7f925cf4bf40>


df_all.groupby("Foil")["Rang"].mean().to_frame()


df_all.groupby("Foil")["Rang_arrivée"].mean().to_frame()


df_all.groupby("Foil")["Depuis le dernier classementVitesse / kts"].mean().to_frame()


df_all.groupby("Foil")["Depuis le dernier classementVMG / kts"].mean().to_frame()


df = df_all.drop([ "Nat", "Voile", "Bateau_x", "Bateau_y", "Date d'arrivée", "Temps de course", "Écarts Au précédent","Rang_arrivée",
       'Numéro de voile', 'Anciens noms du bateau', 'Architecte', 'Chantier',"Écarts Au premier","►", "Bateau", "Sur l'ortho Vitesse", "Sur l'ortho Distance",
        "Sur le fond Vitesse", "Sur le fond Distance",'Date de lancement', "Heure FR", "date", "Nombre de dérives", "Voile quille", "Déplacement (poids)"], axis = 1)
df = df.sort_values(['Skipper',"Full_Date"])


df_train = df[df["Full_Date"]<pd.to_datetime('2021-01-01')]
df_test = df[df["Full_Date"]>=pd.to_datetime('2021-01-01')]


X_train = df_train.drop(["Full_Date","Skipper","Rang"], axis = 1)
y_train = df_train['Rang']
X_test = df_test.drop(["Full_Date","Skipper","Rang"], axis = 1)
y_test = df_test['Rang']


regr = LinearRegression()
regr.fit(X_train, y_train)
regr.score(X_train, y_train)

0.7544791121449909


regr.coef_

array([ 1.07996032e-01, -6.34241533e-03, -1.46937744e-03, -4.39153254e-02,
        1.08812226e-01, -2.37288658e-01, -1.67098179e-03, -2.01249587e-02,
       -5.93525790e-02, -1.53932079e-03,  7.49676954e-03,  6.87302074e-01,
       -1.93019332e-01, -2.74767787e-02,  8.18611921e-05,  5.17414676e-03,
        5.93969318e-15, -1.97191639e+00, -8.88178420e-16,  4.21410575e-01,
       -2.44149327e-02,  1.95962712e-03, -6.85825130e-01])

	Rang	Heure FR	Latitude	Longitude	Depuis 30 minutesCap	Depuis 30 minutesVitesse / kts	Depuis 30 minutesVMG / kts	Depuis 30 minutesDistance / nm	Depuis le dernier classementCap	Depuis le dernier classementVitesse / kts	Depuis le dernier classementVMG / kts	Depuis le dernier classementDistance / nm	Depuis 24 heuresCap	Depuis 24 heuresVitesse / kts	Depuis 24 heuresVMG / kts	Depuis 24 heuresDistance / nm	DTF / nm	DTL / nm	Skipper	Bateau	Nat	Voile	date	Full_Date
NaN	1	14:30	45.302500	-7.597667	193	10.4	10.0	5.2	194	10.2	10.0	25.5	252	10.6	10.3	253.4	24070.5	0.0	Damien seguin	Groupe apicil	FRA	1000	2020-11-09	2020-11-09 14:30:00
NaN	31	15:00	46.472833	-7.465000	208	8.8	8.7	4.4	255	5.9	3.8	17.8	268	9.8	5.3	236.0	24136.4	66.0	Sebastien destremau	Merci	FRA	69	2020-11-09	2020-11-09 15:00:00
NaN	30	15:00	46.557333	-7.867167	190	10.2	9.9	5.1	239	5.1	4.1	15.3	269	10.6	5.5	253.2	24134.5	64.0	Arnaud boissieres	La mie caline - artisans artipole	FRA	14	2020-11-09	2020-11-09 15:00:00
NaN	29	15:00	46.376000	-7.317833	190	10.1	9.8	5.1	227	5.2	4.8	15.5	267	9.6	5.3	230.3	24133.5	63.1	Alexia barrier	Tse - 4myplanet	FRA	72	2020-11-09	2020-11-09 15:00:00
NaN	28	15:00	46.116333	-6.926833	293	10.2	1.2	5.1	290	9.6	2.9	28.7	263	9.0	8.3	215.7	24126.8	56.4	Clement giraud	Compagnie du lit - jiliti	FRA	83	2020-11-09	2020-11-09 15:00:00

	Rang	Heure FR	Latitude	Longitude	Depuis 30 minutesCap	Depuis 30 minutesVitesse / kts	Depuis 30 minutesVMG / kts	Depuis 30 minutesDistance / nm	Depuis le dernier classementCap	Depuis le dernier classementVitesse / kts	Depuis le dernier classementVMG / kts	Depuis le dernier classementDistance / nm	Depuis 24 heuresCap	Depuis 24 heuresVitesse / kts	Depuis 24 heuresVMG / kts	Depuis 24 heuresDistance / nm	DTF / nm	DTL / nm	Skipper	Bateau	Nat	Voile	date	Full_Date
NaN	1	09:30	43.478667	-10.523167	270	9.5	3.3	4.8	255	7.5	4.5	30.1	202	9.2	9.2	221.7	23921.1	0.0	Jeremie beyou	Charal	FRA	8	2020-11-10	2020-11-10 09:30:00
NaN	31	09:30	44.843167	-9.490833	183	9.6	9.1	4.8	214	5.4	5.3	21.7	232	6.6	5.9	158.1	24013.5	92.4	Alexia barrier	Tse - 4myplanet	FRA	72	2020-11-10	2020-11-10 09:30:00
NaN	30	09:30	44.790667	-10.022333	275	9.0	2.4	4.5	249	5.7	3.8	22.8	226	6.0	5.5	143.9	24002.4	81.3	Kojiro shiraishi	Dmg mori global one	JPN	11	2020-11-10	2020-11-10 09:30:00
NaN	29	09:30	44.348167	-8.890333	270	8.0	3.1	4.0	206	5.8	5.8	23.3	211	6.2	6.2	149.4	23995.5	74.5	Arnaud boissieres	La mie caline - artisans artipole	FRA	14	2020-11-10	2020-11-10 09:30:00
NaN	28	09:30	44.763167	-10.830667	288	11.3	0.3	5.6	282	10.6	1.7	42.5	236	7.1	6.0	170.6	23988.9	67.8	Giancarlo pedote	Prysmian group	ITA	34	2020-11-10	2020-11-10 09:30:00

	Numéro de voile	Anciens noms du bateau	Architecte	Chantier	Date de lancement	Longueur	Largeur	Tirant d'eau	Déplacement (poids)	Nombre de dérives	Hauteur mât	Voile quille	Surface de voiles au près	Surface de voiles au portant	Bateau	Skipper	Foil
0	FRA 56	No Way Back, Vento di Sardegna	VPLP/Verdier	Persico Marine	01 Août 2015	18.28	5.85	4.5	7.0	foils	29.0	monotype	320.0	570.0	Newrest - art & fenetres	Fabrice amedeo	1
1	FRA 49	Gitana Eighty, Synerciel, Newrest-Matmut	Bruce Farr Design	Southern Ocean Marine (Nouvelle Zélande)	08 Mars 2007	18.28	5.80	4.5	9.0	2	28.0	acier forgé	280.0	560.0	Pure - best western	Romain attanasio	0
2	FRA72	Famille Mary-Etamine du Lys, Initiatives Coeur...	Marc Lombard	MAG France	01 Mars 1998	18.28	5.54	4.5	9.0	2	29.0	acier	260.0	580.0	Tse - 4myplanet	Alexia barrier	0
3	17	Safran 2 - Des Voiles et Vous	Verdier - VPLP	CDK Technologies	12 Mars 2015	18.28	5.80	4.5	8.0	foils	29.0	acier mécano soudé	310.0	550.0	Maitre coq iv	Yannick bestaven	1
4	08	NaN	VPLP	CDK Technologies	18 Août 2018	18.28	5.85	4.5	8.0	foils	29.0	acier	320.0	600.0	Charal	Jeremie beyou	1

	Date d'arrivée	Temps de course	Écarts Au premier	Écarts Au précédent	Sur l'ortho Vitesse	Sur l'ortho Distance	►	Sur le fond Vitesse	Sur le fond Distance	Rang_arrivée	Skipper	Bateau
0	28/01/2021 04:19:46 FR	80j 03h 44min 46s\n-10h 15min 00s	NaN	NaN	12.6	24365.7	117.3 %	14.8	28583.8	1	Yannick bestaven	Maitre coq iv
1	27/01/2021 20:35:47 FR	80j 06h 15min 47s\n	02h 31min 01s	02h 31min 01s	12.6	24365.7	119.6 %	15.1	29135.0	2	Charlie dalin	Apivia
2	28/01/2021 00:45:12 FR	80j 10h 25min 12s\n	06h 40min 26s	04h 09min 25s	12.6	24365.7	117.6 %	14.8	28650.0	3	Louis burton	Bureau vallee 2
3	28/01/2021 20:19:55 FR	80j 13h 44min 55s\n-16h 15min 00s	10h 00min 09s	03h 19min 43s	12.5	24365.7	112.9 %	14.1	27501.5	4	Jean le cam	Yes we cam !
4	28/01/2021 11:19:45 FR	80j 14h 59min 45s\n-06h 00min 00s	11h 14min 59s	01h 14min 50s	12.6	24365.7	116.8 %	14.7	28448.5	5	Boris herrmann	Seaexplorer - yacht club de monaco

	Rang	Heure FR	Latitude	Longitude	Depuis 30 minutesCap	Depuis 30 minutesVitesse / kts	Depuis 30 minutesVMG / kts	Depuis 30 minutesDistance / nm	Depuis le dernier classementCap	Depuis le dernier classementVitesse / kts	Depuis le dernier classementVMG / kts	Depuis le dernier classementDistance / nm	Depuis 24 heuresCap	Depuis 24 heuresVitesse / kts	Depuis 24 heuresVMG / kts	Depuis 24 heuresDistance / nm	DTF / nm	DTL / nm	Skipper	Bateau_x	Nat	Voile	date	Full_Date	Numéro de voile	Anciens noms du bateau	Architecte	Chantier	Date de lancement	Longueur	Largeur	Tirant d'eau	Déplacement (poids)	Nombre de dérives	Hauteur mât	Voile quille	Surface de voiles au près	Surface de voiles au portant	Bateau_y	Foil	Date d'arrivée	Temps de course	Écarts Au premier	Écarts Au précédent	Sur l'ortho Vitesse	Sur l'ortho Distance	►	Sur le fond Vitesse	Sur le fond Distance	Rang_arrivée	Bateau
0	1	09:30	43.478667	-10.523167	270	9.5	3.3	4.8	255	7.5	4.5	30.1	202	9.2	9.2	221.7	23921.1	0.0	Jeremie beyou	Charal	FRA	8	2020-11-10	2020-11-10 09:30:00	08	NaN	VPLP	CDK Technologies	18 Août 2018	18.28	5.85	4.5	8.0	foils	29.0	acier	320.0	600.0	Charal	1	06/02/2021 09:15:58 FR	89j 18h 55min 58s\n	9j 15h 11min 12s	2j 16h 31min 33s	11.3	24365.7	122.0 %	13.8	29728.5	13.0	Charal
1	31	09:30	44.843167	-9.490833	183	9.6	9.1	4.8	214	5.4	5.3	21.7	232	6.6	5.9	158.1	24013.5	92.4	Alexia barrier	Tse - 4myplanet	FRA	72	2020-11-10	2020-11-10 09:30:00	FRA72	Famille Mary-Etamine du Lys, Initiatives Coeur...	Marc Lombard	MAG France	01 Mars 1998	18.28	5.54	4.5	9.0	2	29.0	acier	260.0	580.0	Tse - 4myplanet	0	28/02/2021 07:23:44 FR	111j 17h 03min 44s\n	31j 13h 18min 58s	7j 22h 48min 04s	9.1	24365.7	115.6 %	10.5	28170.7	24.0	Tse - 4myplanet
2	30	09:30	44.790667	-10.022333	275	9.0	2.4	4.5	249	5.7	3.8	22.8	226	6.0	5.5	143.9	24002.4	81.3	Kojiro shiraishi	Dmg mori global one	JPN	11	2020-11-10	2020-11-10 09:30:00	JPN 11	NaN	VPLP	Multiplast	05 Septembre 2019	18.28	5.85	4.5	8.0	foils	29.0	acier forgé	320.0	580.0	Dmg mori global one	1	11/02/2021 11:52:56 FR	94j 21h 32min 56s\n	14j 17h 48min 10s	02h 56min 50s	10.7	24365.7	119.3 %	12.8	29067.7	16.0	Dmg mori global one
3	29	09:30	44.348167	-8.890333	270	8.0	3.1	4.0	206	5.8	5.8	23.3	211	6.2	6.2	149.4	23995.5	74.5	Arnaud boissieres	La mie caline - artisans artipole	FRA	14	2020-11-10	2020-11-10 09:30:00	FRA 14	Ecover3, Président, Gamesa, Kilcullen Voyager-...	Owen Clarke Design LLP - Clay Oliver	Hakes Marine - Mer Agitée	03 Août 2007	18.28	5.65	4.5	7.9	foils	29.0	basculante avec vérin	300.0	610.0	La mie caline - artisans artipole	1	11/02/2021 08:56:06 FR	94j 18h 36min 06s\n	14j 14h 51min 20s	4j 15h 50min 04s	10.7	24365.7	116.8 %	12.5	28456.7	15.0	La mie caline - artisans artipole
4	28	09:30	44.763167	-10.830667	288	11.3	0.3	5.6	282	10.6	1.7	42.5	236	7.1	6.0	170.6	23988.9	67.8	Giancarlo pedote	Prysmian group	ITA	34	2020-11-10	2020-11-10 09:30:00	ITA 34	Saint-Michel - Virbac	VPLP - Verdier	Multiplast	02 Avril 2015	18.28	5.80	4.5	8.0	foils	29.0	acier forgé	300.0	600.0	Prysmian group	1	28/01/2021 13:02:20 FR	80j 22h 42min 20s\n	18h 57min 34s	44min 00s	12.5	24365.7	116.9 %	14.7	28489.9	8.0	Prysmian group

Projet Final Kit Data Science : Veedee Glob¶

Importation des librairies¶

1.Extraction et Nettoyage des données¶

1.1 Classements des skippers¶

Extraction des fichiers excel du classement¶

1.2 Fiches techniques des bateaux¶

1.3 Classement final à l'arrivée¶

1.4 Le DataFrame final¶

Data Visualization¶

Analyse des données¶

Prédire le prochain classement¶

	Skipper	Rang moyen	Rang_arrivée
0	Charlie dalin	2.286611	2.0
1	Thomas ruyant	3.519833	6.0
2	Yannick bestaven	4.346555	1.0
3	Jean le cam	5.574113	4.0
4	Kevin escoffier	5.807407	NaN

	Rang
Foil
0	17.432400
1	12.372687

	Rang_arrivée
Foil
0	16.153846
1	9.582768